相对渗透率是多相流油藏中复杂而又重要的岩石-流体性质。实验室用油藏取心测量相对渗透率是一项复杂、费时、劳动强度大的工作。以岩石和流体性质为基础的相对渗透率的数学模拟取得的成果有限,因为我们无法模拟地层非线性控制机理。人工神经网络(ANNs) 提供了一个潜在的途径使控制机理与参数在模型中巧妙地结合起来, 该模型可作为预测相对渗透率的有效工具。本文描述的方法使人工神经网络在测定两相(油、水) 相对渗透率方面发挥了独特的作用。人工神经网络是进行非线性、多维内插法处理的通用近似法。在人工神经网络模型研究阶段, 从文献资料中收集了大量的油水相对渗透率数据组来建立模型。在人工神经网络结构中, 显然只有容易得到的岩石和流体性质(终点饱和度、孔隙度、渗透率、黏度和界面张力) 已建立起来。模型的预测能力用经验数据集检验, 而不用建模时的数据集, 结果与实验报告数据非常吻合。推荐模型对几个油藏性质表现出敏感性。推荐的人工神经网络模型具有动态建模基础, 使之推广到新数据集成为可能。